به گزارش شبکه خبری ICTPRESS، پژوهشگران "دانشگاه ایلینوی در اربانا—شمپین"(UIUC)، روش جدیدی ابداع کرده‌اند که روش "تصویربرداری بدون برچسب"(label-free imaging) را با هوش مصنوعی ادغام می‌کند تا سلول‌های زنده بدون برچسب را در یک دوره بلندمدت به تصویر بکشد. این روش می‌تواند کاربردهای بالقوه‌ای در بررسی زنده ماندن سلول و آسیب‌شناسی آن داشته باشد.

"گابریل پاپسکو"(Gabriel Popescu)، از پژوهشگران این پروژه گفت: تخصص آزمایشگاه ما در تصویربرداری بدون برچسب است که به ما امکان می‌دهد تا سلول‌ها را بدون استفاده از مواد شیمیایی سمی ببینیم اما امکان دیدن ویژگی‌های خاص سلول بدون استفاده از رنگ‌های سمی فلورسنت وجود ندارد. ما در پژوهش جدید خود، این مشکل را حل کرده‌ایم.

"میخائیل کندل"(Mikhail Kandel)، از پژوهشگران این پروژه گفت: ما این ایده را مطرح کردیم که شاید روش‌های محاسباتی بتوانند بدون از بین بردن سلول‌ها، نمونه را بررسی کنند.

پژوهشگران ابتدا با استفاده از روش غیرمخرب و بدون برچسب خود، طی چند روز از سلول‌ها تصویربرداری کردند. آنها در پایان آزمایش، به مشخص کردن نمونه‌ها با برچسب رنگی پرداختند و از یادگیری عمیق که زیرمجموعه‌ای از یادگیری ماشینی است، برای یادگیری محل رنگ‌های فلورسنت استفاده کردند.

کندل ادامه داد: این کار به ما امکان می‌دهد تا بدون رنگ کردن واقعی سلول‌ها، رنگ‌ها را در فیلم‌های ابتدایی ارزیابی کنیم.

پاپسکو گفت: اگرچه هوش مصنوعی در گذشته نیز برای ابداع نوعی از تصویربرداری مورد استفاده قرار گرفته که با رنگ کردن متفاوت است اما ما توانستیم آن را طوری برنامه‌ریزی کنیم که تصاویر را در لحظه ارزیابی کند. ما با استفاده از یادگیری عمیق توانستیم سلول‌هایی را بررسی کنیم که هرگز با رنگ مشخص نشده‌اند و الگوریتم توانست قسمت‌های متفاوتی از سلول را به دقت مشخص کند.

"یوچن هه"(Yuchen He)، از پژوهشگران این پروژه گفت: مزیت دیگر روش ما این است که کمک می‌کند تا آزمایش‌ها را طی چند روز انجام دهیم. سلول‌ها حتی بیش از یک هفته زنده می‌مانند. این کار را نمی‌توان با رنگ‌های فلورسنت انجام داد زیرا ممکن است مواد شیمیایی سمی، سلول‌ها را از بین ببرند.

کندل گفت: این پژوهش، قابلیت روش‌های مبتنی بر هوش مصنوعی را برای یاد گرفتن مدل‌های پیچیده‌ای مانند تمرکز بر رنگ‌های خاص نشان می‌دهد. هر چه بیشتر بتوانیم مدل خود را برای تشخیص الگوها آموزش دهیم، می‌توانیم انواع بیشتری از آزمایش‌ها را بدون از بین بردن سلول‌ها اجرا کنیم.

پژوهشگران در حال حاضر سعی دارند تا الگوریتم‌های یادگیری عمیق را با گروه‌های سلولی و نمونه‌های بیولوژیکی متفاوت تطبیق دهند. کندل اضافه کرد: آموزش مدل‌های یادگیری عمیق، به داده‌های بسیاری نیاز دارد زیرا ما می‌خواهیم مطمئن شویم که آنها در شرایط گوناگون، به درستی کار می‌کنند. ابزارهای تصویربرداری ما، به تولید کارآمد داده‌های آموزشی مورد نیاز سهولت می‌بخشند.

پاپسکو افزود: الگوریتم‌های یادگیری عمیق می‌توانند کاربردهای گوناگونی داشته باشند. ما می‌توانیم زنده ماندن سلول را برای مدت طولانی و بدون برچسب زدن به سلول ارزیابی کنیم، میان انواع سلول در بیماری‌ها تمایز قائل شویم و فرآیندهای سلولی متفاوت را بررسی کنیم.

این پژوهش، در مجله "Nature Communications" به چاپ رسید.